Files

T

SoundGame Dev 18f299f446 research: 交互研究项目立项（章程/5路调研4份/游戏交互清点/玩家感知转写harness）

- research/00-charter.md 研究章程：RQ1-8、多人设×场景矩阵、成功标准
- research/01-literature/ 01/03/04/05 四份调研报告（02 sonification 进行中）
- research/03-schemes/game-inventory.md 6游戏状态机与交互接线清单（带行号）
- web/harness/ 玩家感知转写器：虚拟时钟mock+台词全文转写+静默/缺资产如实标注
- tools/extract_voice_text.py 台词表→JSON 提取（主表+旧flavor AST解析）

2026-08-30 21:10:06 +08:00

33 KiB

Raw Permalink Blame History

05 场景化/情境化交互设计与音频优先产品的用户研究（RQ5）

状态：完成｜调研日期：2026-08-30 ｜对应章程 RQ5 RQ5：不同使用场景（睡前/通勤/摸鱼/下班疲惫）与人群（学生/视障/白领/工人）对纯音频游戏交互提出什么不同约束？如何据此给出多套交互方案？方法：WebSearch/WebFetch 桌面调研，英文一手来源为主。搜不到一手来源处明确标注「推断」。

① 研究问题

本项目是手机网页纯音频游戏（无画面、音频+震动、6 种手势、单局短），面向 4 类人设 × 4 类场景。RQ5 要回答：

场景侧：移动游戏真实发生在哪些场景？各场景的注意力、噪声、社会、生理约束分别是什么，有无量化证据？
产品侧：已被验证的音频优先产品（播客/睡眠/车载）在「免视、免手、可中断、噪声环境」下沉淀了哪些交互模式？
人群侧：不同人群（熟练度、时间预算、认知资源）对同一套音频交互的期望差异有无研究支撑？
框架侧：有没有可直接复用的「情境→设计约束」分析框架？
综合：据此为本项目推导出多套（而非单一）交互方案的方向性建议。

② 分主题发现

2.1 移动游戏场景分布：床是第一场景，「在家」远多于「在路上」

数据点	数值	来源
MocoSpace 调查（1.5 万美国手游玩家，2012）：在家玩	96% 每天至少一次	TechCrunch
在床上玩（最常见地点）	53%（Max FM 调查为 61%）	同上；Max FM
在厕所玩	5%（MocoSpace）~ 29%（Max FM），口径差异极大	同上
通勤/公共交通上玩	20%（YouGov 2025 美国调查）；9%（Max FM 澳洲）	YouGov Reality Checks
外出时（排队/候诊）玩	83% 至少偶尔	TechCrunch（同上）

结论：手游的主战场是「家」（床/沙发），通勤是第二梯队；「床上玩」是绝对多数场景，这直接支持本项目把「睡前」当一等公民场景。单次时长：行业基准为手游中位单局 4–6 分钟，头部 25% 游戏 8–10 分钟；每日 4–6 次微会话、日总时长中位约 22 分钟（GameAnalytics 基准）、美国用户日均 33 分钟（Flurry）（Icon Era 统计汇编）。→ 本项目「单局 1–5 分钟」的假设与行业中位吻合，天然就是 micro-session 形态。

2.2 打断频率与恢复成本：被打断是常态，恢复是隐性成本

经典研究（Gloria Mark 等，UC Irvine）：被打断后完全回到原任务平均需 23 分 15 秒，82% 的被打断工作当天会续上（综述；原文 Mark et al., "The Cost of Interrupted Work"）。
打断存在速度-准确率权衡：恢复 lag 越短，出错越多（PubMed）。→ 对游戏设计的含义：强制即时恢复（回来直接续打）会放大出错与挫败；恢复时应给「低风险缓冲期」。
职场打断频率：84.2% 上班族每小时被手机打断 1–3 次，30% 达 5 次以上；员工日均个人手机使用约 60 分钟（Screen Education 调查，见 cyberloafing 汇总及下文 2.7）。
→ 摸鱼场景的核心约束不是「玩多久」而是「随时会被叫走」：恢复成本必须由游戏承担（自动存档、回来先口头重述局面），而不是让玩家记。

2.3 Micro-session 游戏设计实践（单局 1–5 分钟怎么设计中断与续玩）

行业实践共识（无单一一手论文，多来源交叉）：「灵活会话」设计——把长流程切成可独立完成的微循环，任何时刻退出都不损失进度（Mobile Free To Play: Flexible Sessions、Design The Game: Micro-Sessions）。
建模玩家时间：把玩家日程中的「碎片缝」作为设计对象，提供 30 秒/3 分钟/10 分钟多档目标（UX Collective: Modeling Player's Time）。
体力/生命值机制的另一面：它既是付费墙也是天然停机点，替玩家解决「该停了」的自控问题（GameRefinery）。
学术方向：「disengagement-friendly game design」开始出现——主动设计「友好退出/再进入」，降低中断的心理成本（ACM 2025）。
→ 归纳出 micro-session 三件套（推断，由上述来源综合）：①单局闭环小且完整；②任意时刻可无损暂停/退出，回来有「局面复述」；③重进入口零摩擦（一击即续播）。

2.4 音频优先产品的场景 UX：已被验证的免视模式

播客/有声书（通勤与家务场景的成熟答案）：

模式	具体做法	来源
精确续播	重进 App 自动恢复到上次的精确位置，无需书签操作；每档节目记忆独立设置	Pocket Casts、Podtastic（per-podcast 设置）
变速	0.5x–3x 连续可调，老用户常态 1.5x+	Pocket Casts（同上）
跳过静音	Smart Speed/剪静音；静音门限可配置（−60 至 −20 dB）	Overcast、AppleVis 论坛（阈值配置）
响度自适应	Overcast Voice Boost 2：按广播级 LUFS 感知响度算法做动态归一+真峰值限制器，明确卖点是「在嘈杂车里也听得清」	overcast.fm、Marco Arment 技术说明
睡眠定时器	全员标配、入口常驻播放器；有用户仅因睡眠定时器 UI 更好而换 App	Apple Podcasts 重设计案例、TidBITS 讨论

睡眠音频产品（Calm/潮汐/白噪音）：深夜 UI 一致走向暗色低对比 + 极简夜间交互——内容即界面（Sleepcasts/自然声/睡前故事），播放页控件极少，默认防误触；「内容音频化、操作最少化」是被验证的睡前形态（Calm、Headspace、冥想类 App UI 案例研究）。

驾车/CarPlay（免视安全约束的法规锚点）：

NHTSA 驾驶分心指南：单次视线离开道路 ≤2 秒、单任务总视/手操作 ≤12 秒；CarPlay 设计（语音优先、大目标、少文本）即按此收敛（Apple CarPlay 开发者、DesignCode: Designing for CarPlay）。
NN Group：「好的一维音频界面设计既服务盲人用户，也服务驾驶等『眼睛忙』情境」——situational impairment 把无障碍设计变成通用设计（NN Group: Alternative Interfaces for Accessibility）。
→ 提炼出免视交互通用法则（推断，综合上述来源）：①任何一条语音指令/反馈必须能在 ≤2 秒注意力窗口内被理解；②单次交互只做一个决定；③关键信息冗余编码（语音+音色+震动）；④一切操作可被一句话撤销/重听。

2.5 环境噪声与语音可懂度：地铁是「压力测试环境」

噪声量级：

纽约地铁平均 80–90 dBA（PMC）；MTA 站台均值 81.1 dBA、峰值 90.2 dBA（AJPH）；车内 74–81 dB（Hearing Health Foundation）；港铁报告区间 80–112 dB（Harvard）。
记住一个数：地铁环境≈80 dBA 本底 + 突发尖峰，耳机内 SNR 常年在 0–10 dB 之间摆动。

SNR 与可懂度：

SNR −5~0 dB 时语音可懂度崩塌；自然语音在噪声中的可懂度可从 71.7% 跌到 22.8%（Kim et al. 2009, PMC；JASA Express Letters，转引自搜索结果）。
工程经验：<15 dB SNR 就需要整套噪声鲁棒处理（VAD、降噪、动态响度）（Forasoft）。
地铁站台广播可懂度差的根因=高噪声+长混响，普通 SNR 标准在地铁站失效（SSRN 论文）。

「一遍听不清怎么办」的已有做法：

响度自适应（Voice Boost 式 LUFS 归一）是播客端被验证的产品级答案（见 2.4）。
语速维度：正常语音 120–180 wpm；视障资深用户经训练可听 500+ wpm，但新手与普通用户在噪声下应降速而非提速——加速会进一步压缩掩蔽间隙（Bragg et al. 2021 听速大样本研究）（后半句为推断）。
重听：读屏工具普遍提供「重复最后一句」指令，说明重听必须是零成本一级操作（读屏通用实践，具体手势因系统而异——通用实践/推断）。
→ 设计对策（推断，由上述证据综合）：关键信息默认两遍式播报（一遍原样+一遍关键值）；任何时刻一键重听；噪声环境下自动降语速+提响度+拉长语句间隙。

2.6 社会约束场景：纯震动玩法可行吗？

震动语言的表达上限（关键参数）：

信息论视角：单个震动刺激实际可传递约 2–3 bit（≈4–8 个完全可辨选项）；序列化呈现可叠加。触觉通信的最优传输率约 7.9 bit/s，且在「每刺激 3 bit」的编码下取得（Tan, Reed & Durlach, IEEE ToH 2010）。
可学习词表规模：实用场景下用户经训练可稳定掌握 约 10–25 个震动模式；用节奏×频率×幅度参数化可做出 84 个可辨触觉图标（Boulos et al., Springer）；运动 App 的时序震动模式集在实验室辨识别率 96%、真实场景 88.7%（ActiVibe, AVI 2018，转引自检索汇总）。
注意资源上限：同时呈现的触觉刺激超过 约 4 个后判断力骤降（Gallace, Tan & Spence 2007）→ 震动必须串行、低频次、只编码「状态变化」而非连续数据流。
认知负荷下的可用性：用户在专注其他任务时仍能学会识别小规模触觉图标集，但学习速度显著变慢（Chan & MacLean, UBC）——支持「摸鱼模式只保留 3–6 个震动语义」。
盲聋人群的震动语言先例：Mobile Lorm Glove（Lorm 触觉字母手机化）、Tactile Board（文本/语音→震动符号实时转译）（arXiv 2205.04802）、Neosensory Buzz（声音→ wrist 震动模式）（Deafpedia 概述）。→ 震动承载一门「小语言」已被多次验证，但词表都是几十个以内且需学习期。

单手/不看屏：

真实持机观察（n=1333）：49% 单手、36% 托持、15% 双手；75% 的触控由拇指完成（Hoober, UX Matters 2013）。→ 6 种手势若全部单手拇指可达，覆盖近半真实使用姿势；躺床姿势（屏幕朝上/朝侧）进一步要求手势不依赖屏幕坐标——这恰是纯音频手势的天然优势（推断）。
静音可行性：手机震动本身近乎无声，但网页游戏若保留任何提示音需默认静音+仅震动；音效泄漏与 TTS 在安静办公室的清晰度是主要风险（推断，无直接研究）。

2.7 人群差异：场景画像的行为证据

摸鱼/白领（cyberloafing 研究）：

92–96% 员工在工作日使用个人手机；60–80% 承认 cyberloafing；日均约 60 分钟（低自报口径）~2 小时（高口径）；动机依次为愉悦 79%、放松 77%、无聊 71%（Screen Education/Zippia/OFO 调查汇总、Vouchercloud 2019）。
恢复视角（重要反直觉）：短暂的网页浏览比午餐/锻炼更「回血」，适度摸鱼提升后续专注（recovery theory，South University 等汇总，同上来源）。→ 摸鱼游戏的价值主张应是「3 分钟回血」，而非「沉浸世界」。

视障玩家（专业用户群）：

CHI 2025《How Users Who are Blind or Low Vision Play Mobile Games》：优先选择与读屏兼容的游戏，读屏适配决定其游戏选择（ACM）。
音频游戏设计指南（分析 9 款音频游戏提炼 50 条指南）：空间音频、一致的听觉词汇、清晰的「等待输入」信号是核心（Design Guidelines for Audio Games）。
行业深访：要用尽声音的一切属性（音高/音色/响度/尤其空间定位）传信息（AFB AccessWorld）。
听速：资深读屏用户 400–600+ wpm、偏好更「机械但高速不失真」的语音；新手贴近 150–180 wpm 自然语音（Bragg et al. 2021）→ 同一游戏需要可调语速，且默认值因人群而异。

学生/时间充裕者：Newzoo 分群（casual/midcore/core）显示年轻玩家动机偏向「与朋友完成任务、竞争、社交」与长线成长（Newzoo Global Gamer Study、2024 参与度报告摘要）。直接针对「大学生音频游戏偏好」的一手数据未检索到——推断：会话预算大、可接受 10 分钟+沉浸局与成长系统，对重复说教敏感。

工人/体力劳动者：

疲劳与无聊预测更多手机使用（客观传感数据）（ResearchGate: Fatigue, Boredom and Objectively Measured Smartphone Use at Work）。
蓝/白领可用性痛点研究：移动优先、低数字素养人群需要极简流程、低认知负荷（Jansen et al. 2025, ACM）；低文化程度用户界面设计研究同向（Microsoft Research）。
触控疲劳：长时间触屏操作本身产生肌肉疲劳（ACM 2025）→ 下班疲惫场景应减少每局操作次数。
未检索到「蓝领手游偏好」专门行业报告——「偏好简单规则与即时反馈」这一人设假设目前由上述可用性文献间接支撑（推断）。

2.8 情境化框架：可直接借用的两个模型

Context-aware computing（Dey & Abowd）：

定义：「上下文是任何可用于刻画实体情境的信息」（位置、身份、活动、时间）；「若系统利用上下文为用户提供相关信息/服务，且相关性取决于用户任务，则它是上下文感知的」（Dey 2001, PDF、Dey & Abowd, HCI Journal 2001）。
→ 对本项目：手机网页拿不到精细传感器上下文，但可以用「入口选择/首局试探」做轻量上下文：让玩家（或首次体验模式）声明场景档位，游戏据此切换交互参数包。这是把 context-awareness 降维成「场景预设 profile」的可行路径（推断）。

Microsoft 包容设计：permanent / temporary / situational（情境性损伤）：

官方框架（microsoft.com/design/inclusive）：同一功能约束有三种来源——永久（独臂/盲/聋）、暂时（手臂打石膏/白内障/耳部感染）、情境（抱婴儿单手抱机/强光下看屏/酒吧嘈杂中听不清）。
→ 核心推论：为视障用户设计的免视交互，就是为通勤、摸鱼、睡前所有「情境性失明/失聪」时刻设计的交互（与 NN Group 结论互证，见 2.4）。这使 RQ3（视障惯例）的成果可以直接复用到 RQ5 的场景方案里。

2.9 睡前场景特殊性：低负荷、零光线、可入睡

睡眠惰性（sleep inertia）：刚醒来认知最差，典型持续 15–30 分钟、极端 15–120 分钟，决策能力受影响最明显（ScienceDirect Topics、PLOS ONE）→ 不仅「睡前犯困」，早晨睁眼躺床也是认知低谷；两端的共同设计答案是「低记忆负荷+高容错」。
手机在床使用的实证：影响入睡潜伏期、心率与 HRV（PMC9643910）；大学生 70.1% 关灯后仍玩手机、关灯后平均 38.5 分钟（Nature Sci Rep）；睡前看屏者睡眠质量差的比例高 33%（SleepEducation.org）；蓝光抑制褪黑素（Brain Communications），但也有综述认为影响仅约 9 分钟延迟（BBC Future）。
→ 对纯音频游戏：无画面是睡前场景的结构性优势（零蓝光、暗处可用），但音量敏感（同枕他人/室友）+困倦认知下降是硬约束；「帮人入睡后不吵人」的睡眠定时器是睡眠音频品类标配（2.4），纯音频游戏也应提供「定时软退出」。

③ 场景→设计约束映射表

四个目标场景 × 关键约束（附证据强度）× 交互对策。证据强度：【实】有一手研究/产品实证；【推】推断。

场景	关键约束	证据	交互对策
睡前躺床（占比最高的手游场景，53–61% 在床上玩）	① 音量敏感（同室他人/浅眠）② 零视觉本来满足，但屏幕亮度/蓝光需为零 ③ 困倦→工作记忆下降，记不住复杂规则 ④ 想玩到睡着→需要「软着陆」退出 ⑤ 躺姿单手、拇指操作	【实】2.1/2.9	暗黑模式常驻+屏幕常暗（无画面即优势）；默认低音量曲线+人声为主；单局规则 ≤3 条、无长链状态记忆；内置睡眠定时器（如 10/20 分钟后柔和收尾）；每局结束播一句「晚安式」低刺激收束音；手势全部单手拇指可达
地铁通勤（约 20% 用户在公共交通玩；80–90 dBA 噪声、SNR 0–10 dB）	① TTS 可懂度崩塌风险 ② 站到站的 3–8 分钟碎片窗口+到站打断 ③ 单手+可能站着晃动 ④ 噪声中自感音量过大伤耳	【实】2.2/2.5	响度自适应（LUFS 归一+动态提亮人声频段）；关键信息两遍式播报+一键重听（零成本重听手势）；到站铃声/打断后回来先播「局面复述」再继续；单局按 3 分钟设计，站间可完成整数局；降语速、拉长语句间隙；提供「本站模式」短局变体
上班摸鱼（92–96% 员工工时用手机；84% 每小时被打断 1–3 次；怕出声）	① 绝对静音（TTS/音效可能外泄）② 随时被叫走→30 秒级中断 ③ 屏幕需可瞬间藏匿（.alt-tab 心理模型）④ 短时回血定位而非沉浸	【实】2.2/2.7	「纯震动模式」：仅 3–6 个震动语义（开始/正确/错误/等待输入/结算），串行低频次（同发 ≤4 是上限）；自动暂停零损失、回来一句话复述局面；单手拇指完成全部 6 手势；单局 ≤3 分钟、可中途放弃不计失败；无长激励音效
下班疲惫放松（疲劳预测更多手机使用；触控操作本身致疲劳）	① 认知资源低：学新规则成本高 ② 容错要求高，惩罚性失败劝退 ③ 需要即时正反馈回血 ④ 可能边做家务边听（耳机可能不戴）	【实】2.7	规则复用已知手势（不引入新手势）；失败降级为「再来一次」而非重头；正反馈前置（前 30 秒内必有一次明确成功反馈）；免耳机可玩（扬声器模式语音更慢更响）；每局操作次数压缩（少而重的反馈，避免连续高频触控）

④ 人群→设计偏好映射表

人设	关键证据/推断	交互偏好	设计对策
视障玩家（专业评委）	【实】读屏兼容是选游戏首要标准（CHI 2025）；听速 400–600+ wpm；期望空间音频与一致听觉词汇；50 条音频游戏指南	高信息密度、高速语音、严谨一致的听觉语言；反感「为健全人降智」的简化和过度提示	提供语速 1x–3x 可调（默认偏快）；完整空间音频信息；手势/音色词汇与读屏惯例对齐；绝不抢读屏焦点；邀请其「挑错」的心智模型
时间充裕的大学生	【推】由 Newzoo 年轻玩家动机（社交/竞争/成长）+ 长 session 分群间接支撑	愿意深玩：期待沉浸感、成长曲线、可钻研深度；讨厌说教与手把手引导	保留完整状态层+成长系统；允许跳过教程直达硬核模式；提供可探索的深度机制（连击/排行）；引导做成可跳过的一句话而非连续课程
时间紧张的白领	【实】cyberloafing 数据：日均 60 分钟、每小时被打断；摸鱼动机=放松回血	即时满足、3 分钟一局、随时中断续玩、静音可玩、零学习成本	见③摸鱼列：震动模式+自动暂停+局面复述；即时小结算（每局都有收获感）；无需登录/设置即可玩
工人（体力劳动）	【推】由疲劳→更多手机使用、低认知负荷界面、触控疲劳等文献间接支撑；无直接「蓝领手游偏好」一手报告	简单规则、即时正反馈、高容错、少操作	每局规则 ≤2 条且开局口播；失败不惩罚（无「游戏结束」重挫音，改为鼓励+重试）；大粒度反馈（成功/失败二值为主，少灰色评价）；操作频次低

⑤ 对本项目的可操作建议（多套方案方向）

5.1 先立「全局基线」：所有场景共享的最小状态层

证据（2.4/2.5/2.6）收敛出四条任何场景都不该违背的底线，作为多方案公共内核：

任意时刻可无损暂停，恢复时先播一句局面复述（被打断是常态，恢复成本游戏承担）。
零成本重听：重听最后一条指令必须是单手势一级操作；关键信息默认两遍式（一遍完整+一遍关键值）。
听觉词汇全局一致：同一语义永远同一音色/earcon/震动模式，跨游戏复用（视障社区的硬期望）。
语音参数可调：语速（0.8x–2x，视障档至 3x）与响度（LUFS 归一基线）是全局设置而非各游戏散装实现。

5.2 四套场景方案（同一内核，四个参数包）

方案	名称	核心参数差异	一句话定位
A	通勤·噪声鲁棒版	语速 0.9x+句间停顿加大；响度自适应提亮；关键信息两遍式；单局 3 分钟、到站可弃局；手势全部单手拇指	「在 85 分贝里也玩得下去」
B	摸鱼·静默震动版	全静音，仅震动语言（≤6 个语义、串行播报）；自动暂停无感续玩；单手完成；单局 ≤3 分钟、随时弃	「领导走过来 0.5 秒切走，回来一句话接上」
C	睡前·助眠低负版	低音量曲线+暖音色；常暗常静；睡眠定时器；规则 ≤3 条；失败即鼓励；收束音低刺激	「玩着玩着能安心睡着」
D	下班·轻回血版	免耳机扬声器模式；即时正反馈前置；容错拉满；每局操作次数最少	「累成狗也能赢一局」

关键取舍说明：A 与 B 冲突最大（一个要「响」，一个要「无声」），不应做成自动切换，而应做成入口显式选择 + 记忆上次选择——因为手机网页拿不到可靠上下文传感器（2.8 的 context-awareness 降维方案）。C 与 D 可共享「低认知负荷」底层，仅音色/收束策略不同。

5.3 按人群的调优旋钮（在场景方案之上叠加）

视障档：语速上限 3x、完整空间信息、严格读屏协作（不抢焦点、语义标签完整）——RQ3 的惯例清单直接作为该档验收标准。
学生档：保留成长系统与深度机制，引导全部可跳过。
白领档：默认即方案 B；结算即时化（每局都有「+1 进步」口播）。
工人档：每局新信息量为零（只复用已学手势）；反馈二值化。

5.4 需要用试玩验证的风险假设（带入 RQ8）

纯震动玩法的信息带宽是否够（理论上限 2–3 bit/刺激，需实测玩家在摸鱼分心状态下能否分辨 6 个语义——Chan & MacLean 显示分心会显著拖慢学习）。
两遍式播报在低速语音下是否会拖节奏（通勤版需 A/B 检验）。
「局面复述」的一句话是否真能重建状态感知（这是章程核心痛点在场景维度的检验点）。
睡眠定时器与「软着陆」是否提升「愿意再玩」而非只提升「关掉」。